亮度調整的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和整理懶人包

數位與醫學的人工智慧影像處理技術：Python 實務

為了解決亮度調整的問題，作者黃正達,蔡旻嶧,王旭正 這樣論述：

　　【重點大綱】   　　基礎醫學影像系統：認識醫學影像系統中，會使用到影像處理的醫學影像技術，其中包括了電腦斷層掃描、核磁共振成像、正電子掃描、超音波等等，並了解其原理與應用．另外也介紹 DICOM和PACS，可以瞭解在醫學系統中，如何透過統一的標準進行影像傳遞與應用。   　　數位影像處理：運用大量的Python語言以及OpenCV，可以快速了解數位影像的處理技術，如影像的存取、呈現、剪裁縮放與旋轉、對比亮度的調整。影像註冊與分割技術也是醫學影像中的重點，透過註冊、對位的方式，可以觀察手術前後的變化，並介紹機器學習與深度學習應具備的基本知識，以利第三部分的應用。   　　醫學影像處理技

術與應用：專注於醫學影像處理的技術與應用，從醫學影像分割開始讓讀者一步步進入該領域，透過邊緣檢測或以區域為主影像分割技術開始介紹，並介紹其實際應用方法。   專業推薦   　　「智慧醫療」為全球醫療發展趨勢，政府相關部會近年來高度重視並積極推動。本書正是學習醫學影像的大數據分析與人工智慧技術的基礎工具書。值得一提的是，最後以Python這套程式語言搭配OpenCV套件來進行影像處理的實作，更是手把手學習數位影像處理技術的捷徑。透過這本書，讀者可以迅速掌握數位醫學影像的關鍵技術。——元智大學資訊學院特聘教授兼院長，臻鼎科技集團-元智大學大數據聯合研發中心主任　詹前隆

亮度調整進入發燒排行的影片

以影像序列改善生成器之低光源影片增強技術

為了解決亮度調整的問題，作者李松鴒 這樣論述：

在低光源環境下拍攝的影片，受限於較低的對比度和較高的雜訊，其品質往往不盡理想。目前針對低光源影片的主流亮度調整技術，為基於大量資料學習的CNN架構與GAN架構。然而，CNN架構需要相同場景但不同曝光度的配對資料訓練，資料的蒐集相當費時與費力；GAN架構雖然不用配對資料，但非配對的資料必須謹慎的選擇，且對於判別器和損失函式也需要精心設計。本論文提出基於RetinexDIP之影片增強架構。原始RetinexDIP目標在強化低光源的單張影像，其架構為生成器並且無需配對資料。本論文進一步使用VGG網路提取影像特徵，僅將第一幀對RetinexDIP生成器進行訓練；再利用更改為隨機仿射轉換的Stable

LLVE影片訓練策略訓練生成器，提升生成器在影像序列的穩定性；並且在生成器的中間層加入了可變核心捲積層以學習影像中重要的區域，也加入skip-connection以保留淺層特徵。本論文所提出的方法能根據不同的影片及時訓練，不受預先訓練好的網路所限制，並可減少時間上的不穩定性降低畫面閃爍的機率。與RetinexDIP原論文相比，本論文所提出的方法客觀影像品質從18.067%上升至25.493%而閃爍數值從2.315降低至1.578，且執行時間僅為其4.11%。

手機攝影必學BOOK：用OX帶你學會拍人物、食物、風景等情境照片

為了解決亮度調整的問題，作者魏三峰 這樣論述：

手機攝影必備拍照秘笈，教你用手機拍出「你的生活」！   　　光圈、快門、感光度三大攝影要素零藏私講解， 　　解析構圖、角度、光源運用等必知攝影訣竅， 　　剖析人像、食物、風景、動物等主題拍攝技巧， 　　帶初學者用手機紀錄生活，用照片寫下你的故事！   　　從底片相機、數位相機，直至出現手機相機，都反應出人喜歡用照片紀錄生活的日常，讓每個當下，都成為永恆的畫面。 　　但當手機相機拿起來，大家都想拍出美美的照片，卻只會按下快門鍵，不知道怎麼找角度、調光線，或是運用內建修圖軟體做基本的照片調整，讓新手都很苦手。 　　雖然手機具備相當高的便利性，但對於手機相機的規格卻不是人人都能理解，所以書

中將這些初入門須知的相關知識，一一解析，讓大家可以針對不同的主題，讓每一個片刻，變成永恆的美好回憶。   　　〔攝影三要素X基礎攝影力〕 　　從光圈、快門、感光度三大攝影要素零藏私講解，帶你輕鬆了解基礎攝影知識。   　　〔主題拍攝技巧X用OX帶你解析〕 　　將人像、風景、食物各式主題運用Q&A的方式，讓你判斷哪張是NG、哪張是OK，從練習中學習拍攝技巧！   本書特色   　　✲攝影入門X新手必備 　　除了說明光圈、快門、感光度三大攝影要素外，也說明構圖、角度、光源運用方法等攝影基本觀念，帶你從拍攝觀念入門，步步進入手機攝影的世界。   　　✲手機拍攝X基本觀念 　　手機跟相機的差異

比較，從畫質、解析度、變焦方式等各相異處進行解說，讓你釐清手機相機能拍出的最大值，在進一步拍攝出照片想呈現的效果。   　　✲各式主題拍攝X實地練習 　　將人像、食物、風景、寵物、旅遊等不同主題的NG和OK照片並列，讓大家練習從判斷照片好壞中，學習到角度、構圖、光線等拍攝技巧。

應用卷積神經網路進行皮膚燒燙傷傷口深度分類

為了解決亮度調整的問題，作者徐翊瑄 這樣論述：

燒燙傷(Burns)是一項全球性的公共衛生問題，根據世界衛生組織(World Health Organization, WHO)統計每年約有18萬人死於燒燙傷，燒燙傷依傷口深度分為三個級別，傷口深度級別的辨識需要由專業醫師進行診斷治療。然而一個醫師需要診斷多位患者，由於臨床醫師工作量大且成本高，無法保證診斷皮膚燒燙傷傷口深度的速度與準確率，為了減輕醫師負擔，需要自動化的燒燙傷診斷方法，來幫助臨床醫師為傷燙傷患者提供即時治療，亦可用於缺乏專家的當地醫療中心的診斷輔助工具。因此，即時準確檢測皮膚燒燙傷傷口深度成為了至關重要的問題，本研究致力於應用深度學習之卷積神經網路進行皮膚燒燙傷傷口深度分類。

卷積神經網路學習泛化能力強，是深度學習最常用的網路模型之一，在以往的圖像識別和圖像分類中取得了不錯的成績。本研究提出了一個SE-ResNet101模型應用於皮膚燒燙傷傷口深度識別，添加SENet至ResNet101中，使用公開數據集Burns_BIP_US 的燒燙傷傷口圖像數據集，將預處理病患傷口圖像依燒燙傷傷口深度分成三個級別，數據集分為訓練集、驗證集與測試集，其中將訓練集和驗證集數據增強為原先十六倍，包括圖像旋轉、高斯濾波、亮度調整和鏡像翻轉等，並透過五種卷積神經網路模型進行訓練，模型分別為AlexNet、InceptionV3、ResNet50、ResNet101和SE-ResNet10

1，透過模型訓練得到的結果進行混淆矩陣，以及利用四項評估指標進行結果比較。結果顯示，二分類的SE-ResNet101準確率、精確率、召回率和F1得分分別為84.60%、86.29%、84.05%和83.84%，相比原始ResNet101高出6.49%、5.01%、4.67%和3.68%；三分類分別為72.43%、75.16%、70.81%和72.33%，相比原始ResNet101高出7.23%、6.17%、5.89%和6.72%。此外，研究了二分類與三分類是否影響準確率，結果顯示，二分類相比三分類更容易識別正確。本研究使用的五種卷積神經網路模型的準確率達到外科醫師和皮膚科醫師的準確率，證明本研

究所提出的卷積神經網路模型可輔助醫師應用在皮膚燒燙傷外科檢測中。